Leaving Expert Debriefing: Hofer-Alfeis' Siemens-Blaupause für das strukturierte Offboarding kritischer Wissensträger

1. Warum klassische Übergaben scheitern

Die übliche Übergabe — ein Word-Dokument, zwei Termine mit dem Nachfolger, ein Abschiedsessen — adressiert nach Hofer-Alfeis das falsche Problem [1, S. 45]. Sie behandelt Wissen als Informations-Paket, das übergeben werden kann. Tatsächlich ist das wertvollste Wissen eines Senior-Experten implizit, kontextgebunden und beziehungsgebunden — und keiner dieser drei Aspekte überlebt ein Übergabeprotokoll.

Siemens hat diese Erfahrung in zwei dokumentierten Fallstudien systematisch gemacht: Im ersten Fall versuchte man, das Wissen eines Chefingenieurs in eine strukturierte Datenbank zu pressen (Knowledge-Vault-Ansatz). Das Ergebnis war ein 200-seitiges Dokument, das niemand jemals las. Im zweiten Fall verfolgte man den Node-in-a-Network-Ansatz: Statt das Wissen zu extrahieren, kartierte man die Beziehungs- und Kontextstruktur des Experten und stellte Nachfolgern systematischen Zugang zu Personen und Quellen her. Das war erfolgreich [1, S. 49–51].

2. Der LXD-Prozess in fünf Phasen

Hofer-Alfeis beschreibt LXD als sequenziellen, moderierten Prozess. Wir fassen die Originalbeschreibung [1, S. 46–48] zusammen:

Phase 1 — Scoping & Wissens-Mapping (Woche 1). Vor jedem Gespräch wird mit dem Experten gemeinsam kartiert, welche Wissensdomänen überhaupt im Spiel sind. Das Ergebnis ist eine priorisierte Liste mit Aufwandsschätzung — keine Wissensextraktion ohne vorherige Wissensplanung.

Phase 2 — Stakeholder-Identifikation (Woche 2). Wer wird das Wissen brauchen? Nachfolger, Kollegen, externe Partner, Kunden? Diese Frage definiert die spätere Aufbereitung. Wissen ohne identifizierten Empfänger ist Verschwendung.

Phase 3 — Strukturierte Externalisierung (Woche 3–7). Moderierte Interviews entlang der priorisierten Domänen. Hofer-Alfeis empfiehlt halbtägige Sessions mit klarem Fokus pro Termin. Der Moderator ist entscheidend: Er übersetzt zwischen implizitem Wissen und expliziter Form, hinterfragt Selbstverständlichkeiten und sichert die Anschlussfähigkeit für Dritte.

Phase 4 — Validierung & Übergabe (Woche 8–10). Das aufbereitete Wissen wird mit identifizierten Nachfolgern getestet: Können sie damit arbeiten? Wo bleiben Lücken? Iteration mit dem Experten.

Phase 5 — Netzwerk-Übergabe (Woche 11–12). Strukturierte Einführung der Nachfolger in das Beziehungsnetz des Experten — intern wie extern. Dieser Schritt wird laut Hofer-Alfeis am häufigsten unterschätzt und ist gleichzeitig der wirkungsvollste [1, S. 52].

3. Die Vault-vs-Network-Unterscheidung

Die wichtigste konzeptionelle Leistung des Papers ist die Trennung von zwei Wissensarten [1, S. 49]:

• Knowledge Vault — kodifizierbares Spezialwissen: Verfahren, Berechnungen, Standards, Erfahrungsregeln. Hier funktioniert Externalisierung gut, wenn die Domäne ausreichend strukturiert ist.
• Node-in-Network — Beziehungs- und Kontextwissen: Wer ist Ansprechpartner für welches Problem? Welcher Lieferant ist verlässlich? Welcher Kunde verträgt welche Direktheit? Dieses Wissen lässt sich kaum extrahieren — aber mappen und vermitteln.

Die Konsequenz: LXD ohne Network-Mapping verfehlt typischerweise 50 % des Wertes. Wer nur die Datenbank füllt, hat den Experten als Wissens-Knoten verloren.

4. Skalierung mit moderner KI

Hofer-Alfeis' Originalprozess ist hochgradig manuell — und teuer. Bei Siemens war das vertretbar. Für ein typisches Mittelstandsunternehmen mit 50–200 Mitarbeitenden ist ein 8-wöchiger externer Moderationseinsatz pro Schlüsselperson unrealistisch.

Hier setzt die KI-Skalierung an. Aktuelle Forschung (Zuin et al., 2025) zeigt, dass LLM-gestützte Interview-Agenten substantielle Teile der Phase 3 (strukturierte Externalisierung) übernehmen können — sie hinterfragen Selbstverständlichkeiten, generieren Folge-Prompts und strukturieren die Antworten automatisch ^[2]. Matsumoto et al. (2024) demonstrieren denselben Effekt für die SECI-Phasen Externalisation und Combination ^[3].

Das ändert die Wirtschaftlichkeit grundlegend. Was 2008 ein 80.000-Euro-Beratungsprojekt war, wird zu einem dreitägigen Workflow — vorausgesetzt, die KI-Pipeline beachtet die LXD-Phasenlogik und reduziert sie nicht auf eine Chatbot-Fragerunde.

5. Anschluss an Jennex (2014)

Hofer-Alfeis liefert das Wie der Wissenssicherung. Jennex (2014) liefert das Wo zuerst: Sein Risiko-Score Risk = Likelihood × Consequence × Quality identifiziert, welche Personen überhaupt einem LXD-Prozess zugeführt werden sollten ^[4]. Die Kombination beider Ansätze ergibt einen vollständigen Knowledge-Retention-Workflow:

1. Jennex-basiertes Screening identifiziert die 10–20 % kritischen Rollen (vgl. auch Massingham, 2018 ^[5]).
2. LXD-Prozess nach Hofer-Alfeis bearbeitet diese mit der vollen methodischen Tiefe.
3. KI-gestützte Pipelines machen den Prozess skalierbar.

Fazit

Hofer-Alfeis hat 2008 ein Verfahren beschrieben, das in seiner methodischen Klarheit bis heute unerreicht ist. Der Mittelstand hat es bislang nicht adaptieren können, weil der manuelle Aufwand zu hoch war. Diese Hürde ist mit modernen LLM-Agenten gefallen. Wer heute Knowledge-Retention betreibt und LXD nicht kennt, übersieht 15 Jahre methodischer Vorarbeit.